gerador-codigo-ia

Iniciando o container

Com o docker rodando, rode o comando docker run -it -v "%cd%":/usr/src phdcoder/flexbison no terminal, entre na pasta cd usr/src

Os dois arquivos importantes são: entrada que é arquivo onde os comandos serão inseridos e output.py onde sairá a tradução dos comandos gerado em código python.

Comandos

• ## Carregar base de dados: carrega base1 credit_data 7 1;
  • carrega: o comando para carregar a base
  • base1: o nome da variável que receberá a base
  • credit_data: nome do arquivo .csv que está salvo os dados, exemplo: credit_data.csv
  • 7: colula do dataframe onde está o atributo classe
  • 1: colula do dataframe onde inicia os atributos previsores,
    • se não passo o valor padrão será 0

• ## Tratar valores faltantes nos dados: faltantes base1 media;
  • faltantes: o comando para importar a biblioteca que trata valores faltantes
  • base1: o conjunto de dados escolhido para aplicar o tratamento
  • media: a estratégia escolhida para tratar os valores faltantes, todas as estratégias:
    • media: pega a média dos valores
    • mediana: pega o valor mediano dos valores
    • mais_frequente: pega o que mais aparece frequentemente nos dados

• ## Escalonar os valores: escalonar base1;
  • escalonar: o comando para importar a biblioteca que escalona os valores
  • base1: o conjunto de dados escolhido para aplicar o escalonamento

• ## Aplicar LabelEncoder: transformar base1 classe;
  • transformar: o comando para importar a biblioteca que aplica o LabelEncoder
  • base1: o conjunto de dados escolhido para aplicar o escalonamento
  • classe: conjunto onde vai ser aplicado o label encoder:
    • classe: aplicar no atributo classe
    • previsores: aplicar nos atributos previsores

• ## Dividindo o conjunto em treinamento e teste: divisao base1 25;
  • divisao: o comando para importar a biblioteca de divisão dos valores para dividir a base
  • base1: o conjunto de dados escolhido para aplicar o escalonamento
  • 25: porcentagem de quanto será destinado para o teste, exemplo: 25% teste, 75% treinamento

• ## Instanciando o modelo de predição: classificador rf randomforest 40;
  • classificador: importando um classificador para instanciar:
    • classificador: para importar a versão de classificação do modelo
    • regressor: para importar a versão de regressor do modelo
  • rf: o nome da variável que guardará a instância do modelo
  • randomforest: modelo de classificação/regressão utilizado
    • svm: instanciar classificador ou regressor do SVM
    • randomforest: instanciar classificador ou regressor do Random Forest
    • knn: instanciar classificador do K-nearest neighbors
    • linear: instanciar regressor linear
    • polinomial: instanciar regressor polinomial
  • 40: nesse exemplo, quantidade de árvores utilizada no RandomForest, parâmetro opcional, outroas opções:
    • ‘linear’, ‘poly’ ou ‘rbf’: parâmetro para o kernel do SVM, exemplo: classificador svc svm rbf;
    • Um número como parâmetro pode ser também a quantidade de vizinhos no KNN, exemplo: classificador kn knn 5;. o grau do polinômio na regressão: regressor rp polinomial 2 base3; PS: o regressor polinomial é o único que recebe um segundo parâmetro que é além do grau do polinômio que é o nome da base que é onde será aplicado a transformação dos dados para o grau do polinômio.

• ## Treinando o modelo : treinamento rf base1;
  • treinamento: chamada para treinar o modelo escolhido
  • rf: o modelo escolhido para ser treinado
  • base1: base de dados escolhida para ter os dados treinado

• ## Realizando as predições no modelo : predicao rf base1;
  • predicao: chamada para realizar as predições no modelo escolhido
  • rf: o modelo escolhido para realizar as predições
  • base1: base de dados escolhida para realizar as predições no conjunto de teste

• ## Verificar os resultados do modelo : resultado base1 acuracia;
  • resultado: chamada para realizar a checagem dos resultados
  • base1: base de dados escolhida para verificar os resultados
  • acuracia: tipo de resultado para checar a acurácia do modelo, outras opções de resultado:
    • f1: ao passar esse parâmetro o resultado obtido é da f1-score macro
    • mse: ao passar esse parâmetro o resultado é o Mean Squared Error, usado apenas para regressão
    • r2: ao passar esse parâmetro o resultado é o coeficiente de determinação - R2, usado apenas para regressão